По оценкам PwC, ИИ добавит мировой экономике 15,7 трлн долларов к 2030 году. Судя по написанному на стене, более 90% компаний из списка Fortune 1000 увеличивают свои расходы на большие данные и ИИ. Если вы представляете страну, компанию или частное лицо, которое надеется сохранить технологическую актуальность в ближайшее десятилетие, понимание ИИ является обязательным.

Хорошая новость заключается в том, что вам не нужно создавать нейронные сети с нуля, чтобы принять участие. Умение различать основные концепции и понимание того, как ИИ используется в реальных бизнес-кейсах (и как вы тоже можете его использовать) — это полдела. Вот куда вас приведет эта статья.

Мы используем «ИИ» как расплывчатый термин, обозначающий экосистему, которая включает в себя приложения для компьютерного зрения, обработки естественного языка, распознавания речи, прогнозной аналитики и других практик. Машинное обучение, в том числе глубокое обучение, являются технологиями, лежащими в основе этих приложений. Сначала давайте быстро взглянем на неспециалистский термин некоторых популярных словарей, не стесняйтесь пропустить, если вы уже знакомы.

Определения

Машинное обучение — это использование алгоритмов для выполнения функций ИИ, часто с помеченными данными, чтобы делать числовые или групповые прогнозы с помощью правил. Глубокое обучение — это особый тип машинного обучения, использующий множество слоев нейронных сетей. Например, передача алгоритму глубокого обучения 1000 помеченных изображений людей позволяет камерам безопасности предсказать, что изображение с камеры включает человека, чтобы вызвать предупреждение о злоумышленнике.

Обработка естественного языка (NLP) — это применение ML для интерпретации человеческого языка. Например, подача твитов алгоритму НЛП для определения настроений с помощью структур и слов положительных и отрицательных предложений. Машинное обучение используется в задачах НЛП.

Компьютерное зрение — это применение машинного обучения для интерпретации изображений или видеопотоков. Например, 1000 помеченных фотографий людей, упомянутых выше, являются примером использования машинного обучения для достижения компьютерного зрения.

1) Поиск Google после 2015 г. (глубокое обучение + обработка естественного языка)

Google боролся с ~ 15% запросов, которые он никогда не получал раньше. Чтобы сократить количество раз, когда пользователи думали «как бы это сказать, чтобы Google понял», были задействованы обработка естественного языка и машинное обучение.

Улучшение ИИ: поиск Google разбивает каждое предложение, отображая отношения между словами, чтобы использовать похожие предложения, в которых модель знакома. Издатель технических новостей CIO приводит пример того, как Google после 2015 года изменил формулировку пользовательского ввода «Как называется потребитель на самом высоком уровне пищевой цепи?» к более понятному «верхнему уровню пищевой цепи» перед перечислением результатов поиска.

2) Механизм рекомендаций Netflix после 2012 г. (глубокое обучение + обработка естественного языка + компьютерное зрение)

Netflix использовал комбинацию оценок IMBD и данных пользователей, сообщаемых самими пользователями, для составления рекомендаций по контенту.

Улучшение ИИ: Netflix может разорвать часть контента, идентифицируя главного героя женского пола, уровень действия, тон, язык, настройку и т. д. Эти функции превращаются в ключевые слова, которые сопоставляются с предпочтениями пользователя.

3) Развитие спутникового бизнеса Telefonica (машинное обучение + компьютерное зрение)

Телекоммуникационные компании, такие как Telefonica, ориентируются на городские районы с высокой плотностью населения и адекватной инфраструктурой для установки необходимого телекоммуникационного оборудования. Сельские районы не обладают этими качествами и страдают.

Усовершенствование искусственного интеллекта: Telefonica может использовать спутниковые изображения и компьютерное зрение для выявления недостаточно обслуживаемых районов (адекватная плотность населения) и картирования логистических маршрутов в эти районы. Это расширило географию обслуживания Telefonica, которая экономически выгодна.

4) Проверка качества Verizon после 2017 г. (машинное обучение)

До появления искусственного интеллекта и машинного обучения было практически невозможно предсказать плохое обслуживание более 150 миллионов клиентов Verizon. У Verizon не было другого выбора, кроме как реагировать на проблемы, полагаясь на жалобы клиентов.

Усовершенствование искусственного интеллекта: Verizon теперь может прогнозировать низкое качество обслуживания с помощью ряда вычисляемых индикаторов в реальном времени, включая погоду, гиперактивное использование и регулярные тесты для определения «нормального» обслуживания для определенного региона.

5) Рекрутинг Unilever с использованием искусственного интеллекта (машинное обучение)

Unilever использовала комбинацию резюме, рекомендаций и интервью для оценки потенциальных наймов.

Усовершенствование искусственного интеллекта: кандидатов попросили сыграть серию из 12 игр и отправить свое резюме онлайн в процессе первоначального отбора. Машинное обучение использовалось для разделения ключевых слов в резюме и результатов игр, чтобы определить желаемые качества новобранца. Например, в одной игре соискателей вознаграждали за то, что они больше надували воздушный шар, и пристыковывали их за то, что он лопнул воздушный шар. Эта игра использовалась для измерения терпимости к риску, и вместе с сотнями других качеств, оцениваемых у кандидата, она позволила рекрутерам Unilever провести всестороннюю проверку. Unilever сообщает, что их инструмент найма ИИ экономит им 70 000 человеко-часов каждый год.

Благодаря искусственному интеллекту пользователи Google выполняют поиск на естественном языке, пользователи Netflix видят свои предпочтения без необходимости их понимать, новые географические регионы выгодны для Telefonica, клиенты Verizon получают автоматическую поддержку, а кандидаты на работу Unilever идеально подходят для своей роли.

Следующий логический вопрос: что ИИ может сделать для вашего бизнеса? Если вы являетесь генеральным директором или техническим директором и хотите сделать следующий шаг, запишитесь на встречу с нами сегодня.

[Первоначально я разместил на www.gravitate.ai/blog]